Modeling Soil Volumetric Water Content Based on Climatic Factors in the Tripoli Region (Libya) Using Multiple Linear Regression

Technisches Resümee: Modellierung des volumetrischen Wassergehalts des Bodens in Tripolis, Libyen

Problemstellung
Die Bodenfeuchtigkeit ist eine kritische Komponente der Wasser- und Energiezyklen der Erde und beeinflusst die landwirtschaftliche Produktivität, das Wasserressourcenmanagement sowie die Häufigkeit von Extremwetterereignissen wie Dürren und Überschwemmungen. In Libyen, einem Land, das durch semiaride bis aride Klimate gekennzeichnet ist, ist das Verständnis der Bodenwasserdynamik für die Ernährungssicherheit und die Minderung von Katastrophenrisiken von entscheidender Bedeutung. Die langfristige globale Überwachung der Bodenfeuchtigkeit durch Feldmessungen ist jedoch begrenzt. Während die Fernerkundung eine Alternative bietet, besteht ein spezifischer Bedarf an der quantitativen Modellierung der Beziehung zwischen lokalen Klimafaktoren und dem volumetrischen Wassergehalt des Bodens unter Verwendung statistischer Methoden. Diese Studie adressiert die Lücke in der quantitativen Analyse hinsichtlich der Frage, wie spezifische Klimavariablen den Bodenwassergehalt in der Region Tripolis beeinflussen, insbesondere im Kontext von Klimaprojektionen, die für Nordafrika eine abnehmende Niederschlagsmenge und steigende Temperaturen vorhersagen.

Methodik
Die Studie nutzte monatliche Daten aus 297 Messungen von 2001 bis 2024, die aus dem ERA5-Datensatz (European Centre for Medium-Range Weather Forecasts) stammen. Die Analyse wurde mit der Statistiksoftware R durchgeführt.

• Variablen:
  • Abhängige Variable ($Y$): Mittlerer volumetrischer Bodenwassergehalt über vier Bodentiefen.
  • Anfängliche unabhängige Variablen: Relative Luftfeuchtigkeit, Niederschlag, mittlere Bodentemperatur (über vier Tiefen), Lufttemperatur, Windgeschwindigkeit, potenzielle Evaporation und Grundwasserspiegel.
• Statistischer Ansatz:
  1. Deskriptive Analyse: Untersuchung der Verteilung und der zentralen Tendenz aller Variablen.
  2. Multikollinearitätsprüfung: Eine Korrelationsmatrix und eine Varianzinflationsfaktor-Analyse (VIF) wurden durchgeführt. Die anfängliche Analyse ergab eine schwere Multikollinearität zwischen mehreren Variablen (z. B. wiesen Lufttemperatur, Bodentemperatur und potenzielle Evaporation VIF-Werte auf, die über 12 lagen, weit über dem akzeptablen Schwellenwert von 5).
  3. Variablenselektion: Um die Modellstabilität zu gewährleisten, wurden Variablen mit hohen VIF-Werten ausgeschlossen. Das endgültige Modell behielt drei unabhängige Variablen mit akzeptablen VIF-Werten bei: Relative Luftfeuchtigkeit ($X_1$), Niederschlag ($X_2$) und mittlere Bodentemperatur ($X_3$).
  4. Modellkonstruktion: Ein multiples lineares Regressionsmodell (MLR) wurde entwickelt, um den volumetrischen Bodenwassergehalt basierend auf den ausgewählten Klimafaktoren vorherzusagen.
  5. Modellvalidierung: Die Annahmen wurden mithilfe von Residuenplots (Residuen vs. Anpassung) und Q-Q-Plots überprüft, um Homoskedastizität und die Normalverteilung der Residuen zu prüfen.

Wichtigste Ergebnisse

• Deskriptive Statistik: Der mittlere volumetrische Bodenwassergehalt lag bei 0,02 mit einer geringen Standardabweichung, was auf Konsistenz hindeutet. Der Niederschlag zeigte eine hohe Variabilität (Mittelwert 0,92 mm), während die relative Luftfeuchtigkeit im Durchschnitt 44,10 % betrug.
• Korrelationsanalyse:
  • Es wurde eine starke positive Korrelation zwischen dem volumetrischen Bodenwassergehalt und der relativen Luftfeuchtigkeit gefunden ($r = 0,638$).
  • Eine moderate positive Korrelation bestand zwischen dem volumetrischen Bodenwassergehalt und dem Niederschlag ($r = 0,528$).
  • Eine moderate negative Korrelation wurde zwischen dem volumetrischen Bodenwassergehalt und der mittleren Bodentemperatur beobachtet ($r = -0,559$).
• Leistungsfähigkeit des Regressionsmodells:
  • Die endgültige Modellgleichung lautet: $\hat{Y} = 0,01378 + (7,0 \times 10^{-5} \times X_1) + (4,22 \times 10^{-4} \times X_2) - (9,8 \times 10^{-5} \times X_3)$.
  • Signifikanz: Alle drei Prädiktoren waren statistisch signifikant ($p < 0,001$).
    • Niederschlag: Wurde als der einflussreichste Faktor identifiziert ($\beta = 4,22 \times 10^{-4}$). Eine Zunahme des Niederschlags um 1 mm führt zu einer direkten Erhöhung des durchschnittlichen Bodenwassergehalts um 0,000422.
    • Relative Luftfeuchtigkeit: Zeigt einen positiven Effekt ($\beta = 7,0 \times 10^{-5}$), was auf eine reduzierte Evaporation zurückzuführen ist.
    • Bodentemperatur: Zeigt einen signifikanten negativen Effekt ($\beta = -9,8 \times 10^{-5}$), was auf erhöhte Evaporation und Versickerung zurückzuführen ist.
  • Erklärungskraft: Der bereinigte $R^2$-Wert beträgt 0,477, was bedeutet, dass das Modell etwa 48 % der Variation des volumetrischen Bodenwassergehalts erklärt.
  • Gesamtanpassung: Der F-Test bestätigte die allgemeine statistische Signifikanz des Modells ($F \approx 91$, $p < 0,001$). Diagnostische Diagramme bestätigten, dass die Residuen zufällig verteilt waren und einer Normalverteilung folgten, was die Annahmen des Modells validiert.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass die Studie erfolgreich eine statistisch signifikante Beziehung zwischen ausgewählten Klimafaktoren und dem volumetrischen Wassergehalt des Bodens in der Region Tripolis hergestellt hat. Durch die Isolierung von Niederschlag, relativer Luftfeuchtigkeit und Bodentemperatur als primäre Treiber liefert die Forschung ein prädiktives Werkzeug zum Verständnis der Bodenfeuchtedynamik in einer semiariden Umgebung.

Die Autoren führen aus, dass dieser Modellierungsansatz das Wasserressourcenmanagement und die landwirtschaftliche Planung unterstützt, was angesichts der Klimaprojektionen für Nordafrika, die einen Rückgang des Niederschlags um 10–20 % und einen Temperaturanstieg um 2–3 °C bis 2050 vorhersagen, von entscheidender Bedeutung ist. Die Studie kommt zu dem Schluss, dass das Modell zwar fast die Hälfte der Varianz erklärt (ein Wert, der in Umweltstudien als gut gilt), aber effektiv den direkten Einfluss des Niederschlags und den inversen Einfluss der Temperatur auf die Bodenfeuchtigkeit hervorhebt. Die Autoren empfehlen die Verwendung dieser Schlüsselvariablen für zukünftige Bewertungen in ariden Regionen und schlagen vor, dass fortschrittlichere Modelle (z. B. Zeitreihen- oder nichtlineare Modelle) die Vorhersagegenauigkeit weiter verbessern könnten.